高噪聲環境下噪聲抑制與語音增強研究

王志強 吳學先

摘要：語音通信正廣泛應用于各種場合，但是在一些特定的高噪聲環境下，語音信號的接收與發送會受到嚴重的干擾，如艦艇的輪機艙、飛行甲板、飛機座艙等環境下都存在非常強烈的噪音。這都會導致語音信號完全淹沒于背景噪音，使人耳基本無法分辨。因此，必須采用信號處理技術對含噪的音頻信號進行增強處理，以實現對其中噪聲信號的抑制與語音信號的增強，盡可能地還原語音信號，提高語音可懂度，改善語音通信效率。

關鍵詞：高噪聲;語音增強;噪聲抑制;維納濾波;自適應濾波;自適應噪聲抵消

引言：

總結國內外眾多學者的研究，兩類非平穩噪聲是最難處理的，如語音噪聲和低頻噪聲。 類似語音的噪聲和語音具有相似的結構。消除這些成分很容易損壞增強語音的音質并降低可懂度。 低頻段噪聲的信號能量大多集中在低頻段，功率譜密度在整個頻段內變化不均勻。 消除低頻段噪聲很容易造成語音失真。根據實際工程應用需求，對比了維納濾波法、減譜法、自適應濾波法等幾種主流降噪方法的特點，最終采用基于自適應噪聲抵消技術的降噪方案。方案通過采集兩路信號，將混有噪聲的信號作為主通道信號，噪聲的相關信號作為參考信號，使用白適應抵消法進行處理。最后通過MATLAB軟件進行了仿真，在信噪比和聽音測試方面都有所提高，驗證了方案的有效性和可行性。

1噪聲抑制及語音增強算法簡介

1.2維納濾波

顯然，維納濾波器能根據聲音信號的平方來判斷聲音信號;由于噪聲的存在，它定義了一個脈沖傳感器電抗器，以便在經過濾波后接近噪聲，這種開創性的想法是具有很強的實踐意義的，其為后續的多種算法奠定了基礎，后續的多種算法都或多或少的借鑒了這種算法的思想。直通信號由于不進行測試，維納濾波器是一種平方型濾波器（MMESE），所以維納濾波器可以用來估計駐波模式下的時間波。通過對于時間波的有效估計，可以得出一個與實際噪聲十分相近的模擬噪聲時間波，這種方式可以有效的去除噪聲，由于語音譜圖對于聽者來說是最重要的部分，所以用維納濾光器來發展一門語言是很有必要的。

1.3 Karman濾波方法

本文提出了一種基于卡爾曼濾波器的新方法，該方法能有效地消除噪聲，這是因為其在卡爾曼濾波器的基礎之上進行了有效的改進，使得濾波效果與之前相比更加的有效，同時通過引入多種噪聲過濾算法與濾波器，并且根據其效果精心設計了濾波器的執行順序，可以有效濾除需要濾除的噪聲信息。濾波器的優勢在于，噪聲可被用作靜態和非活性兩種材料。在去除噪聲的同時，采用了多種方法，提高了噪聲的干擾率，但由于干擾量大，對聲音有一定的損失。

1.4自適應濾波器

自適應濾波方法在最近三年里得到了廣泛的應用，許多專家學者都認識到了自適應濾波的優異的過濾效果，隨著越來越多的相關研究形成成果，自適應濾波的優勢也逐步顯現出來，使得人們對于其相比于傳統濾波的優勢認識的更加清晰。自適應濾波器主要應用于振動、信息、電機等方面，在諸多應用領域都有其十分明顯的優勢，尤其是相比于其他濾波器而言，其簡單易實現、濾波效果好的特點被發揮出來。自適應過濾器可基于其特點。這種濾波效果非常好。單道法用于干擾原信號中噪聲和產生信號的突變延時，即交換噪聲和信號。如果要收集大音量，則應用程序通道必須用來測量。

2噪聲抵消技術選擇

斯坦福大學于59年開發了一個補償系統（ANC），適應性結構是適應性技術干擾的基本適應性結構，即培育的頂點是有序的頂點結構。不論統計特征改變與否，自適應音頻都是最好的降低環境噪聲的影響的技術，只有有效的在音頻中篩選出噪聲，才能有效的對于噪聲做出識別，進而將噪聲從音頻中過濾出去，實現優秀的濾波效果。當未知外部干擾的信號，運輸路線一直在變化，周圍的噪音就像物體一樣。在這種情況下，可以通過消除外部音頻源的干擾來獲取具有高音量速率的源信號。故障的關鍵是與參考信號相關聯，而不是與要檢測或提取的信號相關聯;在測試和調整自適應系統之后，該系統可以從噪聲中恢復原始信號，系統定制的聲音系統是自適應濾波器的一個原理，自適應濾波器的傳感器信號在第一個信號卡在噪聲中時會發生變化。他的參數在干擾結束時改變了。輸出是由水平濾波參數控制中斷的數據，就目前來看，誤差是一個有用的信號。從表面上看，從信號中鍵入噪聲是危險的。如果做得不對，能量會增加，需要調整參數來控制噪聲的級和參數。

3實驗分析

3.1試驗數據庫

本論文所用實驗數據來源于在行業內比較著名的 NOIZEUS語音庫，由1個清潔環境語音塊、8個不同噪聲環境下的語音塊（人群噪聲、車站噪聲、火車噪聲、街道噪聲、餐館噪聲、汽車噪聲、飛機噪聲、展覽廳噪聲）組成，每個聲塊包含4個信噪比的語音子集，每一個聲子集合共有30個語音，它們來自 IEEE語句庫。這兩個句子先采集25 kHz的頻率，然后再采樣8 kHz。試驗選取了四種噪聲類型：人群噪聲、餐館噪聲、車站噪聲、汽車噪聲。人聲和餐館里的聲音都是類似聲音的聲音，而火車站里的噪聲和汽車噪聲則是低頻噪聲。

3.2實驗結論

減譜法在人群及餐館噪聲、低信噪比環境下均優于其它三種識別方法，表明 LLR評分較高，但 LLR評分較低，本實驗進一步驗證了該算法的可靠性。第二，卡爾曼濾波法對車站、汽車噪聲環境下語音質量的清晰度和語音畸變均有明顯改善。LLR和 PESQ評分只能用來衡量增強后語音中所含的殘噪和失真度，而不能描述殘存噪聲和語音畸變細節。分別分析了四種平臺噪聲情況下的聲場增強算法，能較好地觀測到增強后的語音特征，進一步驗證了以上結論。通過自適應濾波法增強噪聲，降低了車站噪聲，降低了語音畸變，保持了原語音信息，改善了語音質量和清晰度。

4結語

噪聲干擾聲不僅影響人們的聽力，也影響語言的理解能力。對于語音信號處理來說，噪聲的去除和增音一直是一個重要的研究課題。隨著其應用范圍的擴展，它已被廣泛地應用于一些特殊的工程中。但在語言背景噪聲方面也存在問題，即并非空閑且隨意。因為頻率的多樣性和復雜性，很難用常規的方法去求解干擾信號。

參考文獻：

[1]胡廣書.數字信號處理[M].北京：清華大學出版社，2003.8

[2]程佩青.數字信號處理教程[M].北京：清華大學出版社，2001.3